添加Keras-contrib CRF层至函数式模型时触发损失函数解析ValueError

这个错误我之前也碰到过，本质是没有正确引用CRF层对应的可调用损失函数，咱们一步步来解决：

错误原因分析 #

你遇到的ValueError: Could not interpret loss function identifier，通常是因为这两种情况：

1. 直接引用了CRF类的loss_function属性（这是一个未绑定的类属性，不是可调用的损失函数），而不是实例化后的CRF对象的loss_function。
2. 在函数式模型中编译时，没有正确传递CRF层的损失函数实例。

修正方案 #

方案1：使用keras-contrib提供的独立损失/度量函数 #

直接导入crf_loss和crf_viterbi_accuracy，编译模型时直接传入，这种方式最稳妥：

from keras.models import Model
from keras.layers import Input, Embedding, LSTM, concatenate
from keras_contrib.layers import CRF
from keras_contrib.losses import crf_loss
from keras_contrib.metrics import crf_viterbi_accuracy

# 假设你的参数已定义
MAX_LENGTH = 100
VOCAB_SIZE = 10000
EMBEDDING_SIZE = 128
HIDDEN_SIZE = 64
NUM_TAGS = 10  # 替换为你的实际标签数量

# 构建函数式模型
inputs = Input(shape=(MAX_LENGTH,))
embedding = Embedding(VOCAB_SIZE +1, EMBEDDING_SIZE, mask_zero=True)(inputs)
left = LSTM(HIDDEN_SIZE, return_sequences=True)(embedding)
right = LSTM(HIDDEN_SIZE, go_backwards=True, return_sequences=True)(embedding)
concat = concatenate([left, right], axis=-1)

# 实例化CRF层
crf = CRF(NUM_TAGS)
outputs = crf(concat)

# 编译模型，使用导入的损失和度量
model = Model(inputs=inputs, outputs=outputs)
model.compile(optimizer='rmsprop', loss=crf_loss, metrics=[crf_viterbi_accuracy])

方案2：使用CRF实例的loss_function和accuracy属性 #

如果你更倾向于用CRF实例的属性，确保你是调用实例化后的CRF对象的属性，而不是类属性：

# 前面的模型构建和方案1一致，编译部分改为：
model.compile(optimizer='rmsprop', loss=crf.loss_function, metrics=[crf.accuracy])

额外注意事项 #

• 版本兼容性：确保你的keras-contrib版本和Keras版本匹配（比如Keras 2.x对应适配的keras-contrib版本），版本不兼容也可能导致属性无法识别。
• 模型保存/加载：因为CRF是自定义层，加载保存的模型时需要指定custom_objects：

  # 保存模型
  model.save('crf_model.h5')
  
  # 加载模型
  from keras.models import load_model
  custom_objects = {
      'CRF': CRF,
      'crf_loss': crf_loss,
      'crf_viterbi_accuracy': crf_viterbi_accuracy
  }
  loaded_model = load_model('crf_model.h5', custom_objects=custom_objects)
  

内容的提问来源于stack exchange，提问作者L.Berlanda